論文の概要: Cloud removal in remote sensing images using generative adversarial networks and SAR-to-optical image translation

• arxiv url: http://arxiv.org/abs/2012.12180v1
• Date: Tue, 22 Dec 2020 17:19:14 GMT
• ステータス: 処理完了
• システム内更新日: 2021-04-26 07:21:43.897448
• Title: Cloud removal in remote sensing images using generative adversarial networks and SAR-to-optical image translation
• Title（参考訳）: 合成対向ネットワークとSAR-光画像変換を用いたリモートセンシング画像の雲除去
• Authors: Faramarz Naderi Darbaghshahi, Mohammad Reza Mohammadi, Mohsen Soryani
• Abstract要約: 雲の除去は、幅広い衛星画像の応用により、多くの注目を集めている。 本研究では,2つの生成逆ネットワーク(GAN)を用いてこの問題の解決を試みる。 第1はSAR画像を光学画像に変換し、第2は前GANの変換画像を使用して雲を除去する。
• 参考スコア（独自算出の注目度）: 0.618778092044887
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Satellite images are often contaminated by clouds. Cloud removal has received much attention due to the wide range of satellite image applications. As the clouds thicken, the process of removing the clouds becomes more challenging. In such cases, using auxiliary images such as near-infrared or synthetic aperture radar (SAR) for reconstructing is common. In this study, we attempt to solve the problem using two generative adversarial networks (GANs). The first translates SAR images into optical images, and the second removes clouds using the translated images of prior GAN. Also, we propose dilated residual inception blocks (DRIBs) instead of vanilla U-net in the generator networks and use structural similarity index measure (SSIM) in addition to the L1 Loss function. Reducing the number of downsamplings and expanding receptive fields by dilated convolutions increase the quality of output images. We used the SEN1-2 dataset to train and test both GANs, and we made cloudy images by adding synthetic clouds to optical images. The restored images are evaluated with PSNR and SSIM. We compare the proposed method with state-of-the-art deep learning models and achieve more accurate results in both SAR-to-optical translation and cloud removal parts.
• Abstract（参考訳）: 衛星画像はしばしば雲によって汚染される。 雲の除去は、幅広い衛星画像の応用により、多くの注目を集めている。 雲の厚みが増すにつれ、雲を取り除くプロセスはより困難になる。 このような場合、近赤外線や合成開口レーダ(SAR)などの補助画像を用いて再構築することが一般的である。 本研究では,2つの生成逆ネットワーク(GAN)を用いてこの問題を解決する。 第1はSAR画像を光学画像に変換し、第2は前GANの変換画像を使用して雲を除去する。 また,ジェネレータネットワークにおけるバニラU-netの代わりに拡張残差開始ブロック(DRIB)を提案し,L1ロス関数に加えて構造類似度指標(SSIM)を用いる。 拡張畳み込みによるダウンサンプリング数削減と受容場の拡大により,出力画像の品質が向上する。 sen1-2データセットを使って両方のganを訓練し、光学画像に合成雲を追加して曇りの画像を作成した。 復元された画像はPSNRとSSIMで評価する。 提案手法を最先端の深層学習モデルと比較し,SAR-to-optical Translationとクラウド除去部でより正確な結果を得る。

関連論文リスト

• Removing cloud shadows from ground-based solar imagery [0.33748750222488655]
  本稿では,U-Netアーキテクチャに基づくクラウドシャドウの除去手法を提案し,古典的監視と条件付きGANを比較した。 我々は,実画像と合成雲の新しいデータセットを用いて,2つの異なる画像モダリティについて評価を行った。
  論文  参考訳（メタデータ） (2024-07-18T10:38:24Z)
• Few-shot point cloud reconstruction and denoising via learned Guassian splats renderings and fine-tuned diffusion features [52.62053703535824]
  本稿では,少数の画像から点雲を再構成し,そのレンダリングから点雲を識別する手法を提案する。 制約条件下での再構成を改善するため,ハイブリッド表面と外観の相違点のトレーニングを規則化する。 これらの学習したフィルタを使って、3Dの監督なしに来る点雲ノイズを除去する方法を実証する。
  論文  参考訳（メタデータ） (2024-04-01T13:38:16Z)
• IDF-CR: Iterative Diffusion Process for Divide-and-Conquer Cloud Removal in Remote-sensing Images [55.40601468843028]
  雲除去のための反復拡散過程(IDF-CR)を提案する。 IDF-CRは、ピクセル空間と潜在空間に対処する2段階のモデルに分けられる。 潜時空間の段階では、拡散モデルは低品質の雲の除去を高品質のクリーンな出力に変換する。
  論文  参考訳（メタデータ） (2024-03-18T15:23:48Z)
• Dynamic Association Learning of Self-Attention and Convolution in Image Restoration [56.49098856632478]
  CNNとSelf attentionは、画像修復における自己意識と畳み込みの動的関連学習のためのマルチメディアアプリケーションにおいて大きな成功を収めている。 本稿では,その利点を活かし,その欠点を抑え,高品質で効率的な塗布を実現するためのアソシエーション学習手法を提案する。
  論文  参考訳（メタデータ） (2023-11-09T05:11:24Z)
• Dual Degradation Representation for Joint Deraining and Low-Light Enhancement in the Dark [57.85378202032541]
  暗闇の中での雨は、自律運転や監視システム、夜間写真など、現実世界のアプリケーションをデプロイする上で大きな課題となる。 既存の低照度化や除染法は、低照度を明るくし、同時に雨を取り除くのに苦労する。 L$2$RIRNetと呼ばれるエンド・ツー・エンドのモデルを導入する。
  論文  参考訳（メタデータ） (2023-05-06T10:17:42Z)
• MM811 Project Report: Cloud Detection and Removal in Satellite Images [0.0]
  我々は,アテンションGANを用いて衛星画像から雲を除去することを目的としている。 従来のGANとオートエンコーダを用いて得られた結果を再現して比較した。 このプロジェクトの結果は、クラウドフリーの衛星画像を必要とするアプリケーションの開発に利用できる。
  論文  参考訳（メタデータ） (2022-12-21T21:14:35Z)
• Exploring the Potential of SAR Data for Cloud Removal in Optical Satellite Imagery [41.40522618945897]
  我々は,SAR画像に埋め込まれた補完情報を活用するために,新しいグローバルローカル核融合型クラウド除去アルゴリズム(GLF-CR)を提案する。 提案アルゴリズムは高品質なクラウドフリーな画像を得ることができ、最先端のクラウド除去アルゴリズムに対して好適に機能する。
  論文  参考訳（メタデータ） (2022-06-06T18:53:19Z)
• Is Deep Image Prior in Need of a Good Education? [57.3399060347311]
  画像再構成に有効な先行画像として, 奥行き画像が導入された。 その印象的な再建性にもかかわらず、学習技術や伝統的な再建技術と比べてアプローチは遅い。 計算課題に対処する2段階の学習パラダイムを開発する。
  論文  参考訳（メタデータ） (2021-11-23T15:08:26Z)
• Multi-Head Linear Attention Generative Adversarial Network for Thin Cloud Removal [5.753245638190626]
  雲の薄い除去はリモートセンシング画像の利用を高めるために欠かせない手順である。 薄層雲除去のためのマルチヘッド線形注意生成ネットワーク(MLAGAN)を提案する。 6つのディープラーニングベースのシンクラウド除去ベンチマークと比較して、RICE1およびRICE2データセットの実験結果は、提案されたフレームワークMLA-GANがシンクラウド除去に優勢であることを示しています。
  論文  参考訳（メタデータ） (2020-12-20T11:50:54Z)
• Two-Stage Single Image Reflection Removal with Reflection-Aware Guidance [78.34235841168031]
  シングルイメージリフレクション除去(SIRR)のためのリフレクション・アウェア・ガイダンス(RAGNet)を用いた新しい2段階ネットワークを提案する。 RAGは、(i)観測からの反射の効果を緩和するために、(ii)線形結合仮説から逸脱する効果を緩和するための部分畳み込みにおいてマスクを生成するために用いられる。 5つの一般的なデータセットの実験は、最先端のSIRR法と比較して、RAGNetの量的および質的な優位性を実証している。
  論文  参考訳（メタデータ） (2020-12-02T03:14:57Z)
• Cloud and Cloud Shadow Segmentation for Remote Sensing Imagery via Filtered Jaccard Loss Function and Parametric Augmentation [8.37609145576126]
  現在の地理空間画像における雲と影の識別法は,特に雪と風の存在下では,それほど正確ではない。 本論文では,ランドサット8号画像における雲・陰影検出のためのディープラーニングフレームワークを提案する。
  論文  参考訳（メタデータ） (2020-01-23T19:13:00Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。